実験データベースから始める材料実験AIエージェントの作り方

生成AIの業務活用は多くの企業にとって喫緊の課題だが、自社の実験データを活かした活用となると「どこから始めればよいか分からない」という声が多い。また、少量のデータに対して生成AIを使っても、大きなうまみは得られにくい。生成AIが真に力を発揮するのは、人間が全体を把握しきれないほどの実験データがばらばらと大量に存在する場面である。そのデータをデータベースとしてつなげることで、生成AIがナビゲーターとなり、必要な知見を引き出してくれる。一方で、生成AIはコードを書くことにも長けており、バイブコーディングのように対話しながらアプリケーションを構築する手法も広がっている。生成AIの登場により、実験のバックグラウンドを持つ現場の方が、自分たちのデータを使って自ら試し、作れる範囲は大きく広がっている。 　LLMは材料科学に関する幅広い一般知識を持つが、自社の装置で、自社の条件で取得した実験データは知らない。本セミナーで紹介するのは、LLMにツールとして実験データベースを接続することで、このギャップを埋め、LLMに「企業固有の知識源」を与えるAIエージェントである。このシステムは、生成AIのサブスクリプション費用のみで、データベース構築からAIエージェントの開発まで実現した。中でもグラフ型データベースNeo4jは、LLMとの連携に適しており、無料で安定性が高く、現場の方にも扱いやすい。 　本セミナーでは、Neo4jをLLMに自社の実験知見を与えるためのナレッジグラフとして活用し、材料実験のAIエージェントを構築する方法を実践的に解説する。細かいコードの解説ではなく、生成AIを活用してどのように構築したかというプロセスに焦点を当てる。構築作業の大部分を生成AIとの会話で進めた際のやり取りや、精度・速度を向上させるために実施した工夫、つまずいたポイントなども紹介する。実験のバックグラウンドを持つ方にとって、「自分たちでもできそうだ」と感じていただける内容を目指している。

1. なぜ今、現場が実験データ活用に取り組むべきか
   1. バイブコーディングに見る、生成AIで広がる「現場ができること」
   2. 生成AIのサブスクリプション費用のみで、ここまでできる
   3. デモ:実験データ×AIエージェント
2. データベース技術の特徴と使い分け
   1. RDB、グラフ型DBの比較
   2. なぜグラフ型DBが生成AIとの連携に向いているか
   3. 現場の方にとってのNeo4jの使いやすさ
3. MCPの解説
   1. MCPの仕組み (生成AIとツールをつなぐ標準規格)
   2. デモ:MCP
4. 実験データAIエージェントの作り方
   1. Neo4j Desktop 2へのデータ登録とClaude Desktopとの接続
   2. 生成AIとの会話でPythonツールを作り、エージェントにつなぐ
   3. ファイルサーバ (クラウドストレージ) との接続
   4. RAGによる報告書の参照 – データ検索をよりリッチにする
   5. 生成AIとの会話による構築プロセス – 実際のやり取りの紹介
   6. 精度・速度向上の工夫とつまずきポイント
• 質疑応答